Level-level kunci dan ekspektasi terkait prospek teknis harian adalah sebagai berikut:
Level Support dan Resistance Kunci
Level Resistance: Untuk membangun momentum naik, harga perlu bertahan di atas kisaran $1.0600 (level tertinggi harian). Jika zona ini terlampaui, target selanjutnya adalah $1.0850 dan ambang psikologis $1.10.
Level Support: Jika tekanan jual berlanjut, level terendah intraday di $1.0350 berfungsi sebagai garis pertahanan utama pertama. Penembusan di bawah level ini dapat menarik harga menuju $1.0220 dan level support psikologis kunci di $1.00.

XRP2,11%

Lihat Asli

[Pengguna telah membagikan data perdagangannya. Buka Aplikasi untuk melihat lebih lanjut].

Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.

1 Suka

Hadiah
1
2
Posting ulang
Bagikan

Komentar

Tambahkan komentar

ShainingMoon

· 7jam yang lalu

Ke Bulan 🌕

Lihat AsliBalas0

ShainingMoon

· 7jam yang lalu

2026 GOGOGO 👊 berpikir selama 1. 2.

Sekarang, dan itu karena struktur LSTM normal, yang berarti semua yang masuk akan diingat, tetapi kamu juga memiliki mekanisme pelupa, serta mekanisme output.

Detail di sini tentang papermu yang sebenarnya.

Dan selain itu, jika kita melihat struktur yang lebih dalam, seperti LSTM bertumpuk, beberapa LSTM dalam. Yang mana yang kamu gunakan di sini.

Dan mereka perlu bahwa jika kita melihat LSTM dalam, kita belum tentu memiliki mekanisme pelupa yang sama di lapisan yang berbeda, dan juga gerbang outputnya akan berbeda.

Tapi itulah yang dikatakan oleh penelitian terbaru tentang attention, bahwa memori bisa menjadi lebih fleksibel.

Ketika kita juga harus berbicara tentang, misalnya, kamu bisa menggunakan memori, dan kemudian kita mulai mendiskusikan pendekatan klasik dari penerjemahan mesin.

Dan kita bicarakan beberapa, mungkin kamu bisa mulai dengan model tradisional.

Dan kemudian jika kamu mau, kamu bisa bicarakan tentang bidirectional.

Dan kemudian, kita juga punya multi-sumber.

Saya pikir itu agak terlalu banyak.

Saya pikir lebih baik untuk fokus saja.

Jadi mari kita bicarakan, misalnya, hari ini kita punya beberapa slide dari kuliah.

Misalnya, kita bisa pergi ke slide berikutnya saja.

OK, jadi saya hanya memeriksa apa yang ada di sana.

Ini, lagi-lagi, model klasiknya.

Jadi, dan ada mekanisme attention-nya.

Tapi untuk sekarang, mari kita lewati attention, karena itu topik lain untuk kursus lainnya.

Tapi cara kerja attention adalah kamu juga punya memori, tetapi dalam memori ini kamu bisa mempelajari apa yang harus diingat.

Jadi memorinya sebenarnya adalah bagian dari jaringan yang bisa dilatih.

Dan kemudian kamu juga bisa, misalnya, memiliki tumpukan dari ini, seperti tumpukan LSTM ini.

Dan kemudian kamu juga bisa membaca dan menulis darinya.

Jadi ini juga sesuatu yang bisa kamu pertimbangkan, tapi saya pikir untuk sekarang terlalu banyak.

Jadi mari kita kembali ke topik utama.

OK, saya pikir saya hanya perlu pergi ke bagian di mana kamu memiliki LSTM dan RNN, dan kemudian kamu bisa bicarakan apa tujuan dari mekanisme memori.

Karena ide dasar dari memori adalah untuk mengatasi masalah dengan vanishing gradient.

Dan juga tentu saja kamu punya attention, tapi itu adalah lapisan memori yang berbeda.

Dan kemudian kamu juga punya kemampuan untuk menggunakan konteks, yang agak.

Jadi saya pikir yang paling penting adalah membuatnya jelas bahwa LSTM normal memiliki cell state.

Dan cell state ini, untuk setiap langkah waktu, bisa diperbarui.

Dan kamu juga bisa membuang beberapa informasi dari cell state.

Dan kamu juga bisa memperbaruinya dengan informasi baru.

Dan kamu juga bisa memutuskan apa yang akan dikeluarkan.

Jadi itulah tiga gerbang: input gate, forget gate, dan output gate.

Lalu, jika kamu memiliki beberapa lapisan, kamu memiliki jenis arsitektur yang sama, tetapi ada perilaku yang berbeda dari lapisan ke lapisan.

Dan jika kamu ingin menggunakan, misalnya, attention, itu adalah hal lain.

Tapi untuk menjaga agar tetap sederhana, saya akan tetap pada cell state.

Jadi, tapi selalu ingat bahwa cell state bisa dianggap sebagai memori.

Dan kamu kemudian bisa memutuskan apa yang akan disimpan dalam memori itu.

Dan kamu juga bisa memutuskan apa yang akan dilupakan.

Dan kamu bisa memutuskan apa yang akan dikeluarkan.

Jadi itulah ide dasarnya.

Dan jika kamu memiliki beberapa lapisan, kamu bisa memiliki representasi yang lebih dalam dari memori.

Tapi saya pikir itu sudah cukup.

Sekarang, mari kita periksa.

Jadi saya perlu memfinalisasi bahwa cell state adalah memorinya.

Dan kamu memiliki tiga gerbang.

Dan gerbang-gerbang itu bertanggung jawab untuk mengontrol aliran informasi.

Jadi input gate mengontrol informasi baru apa yang disimpan.

Forget gate mengontrol informasi apa yang dibuang.

Dan output gate mengontrol informasi apa yang dikeluarkan.

Dan kemudian, untuk LSTM dalam, ide yang sama berlaku, tetapi di setiap lapisan memorinya berperilaku berbeda.

Tapi saya pikir itulah poin utamanya.

Baiklah, jadi mari kita lanjutkan.

Oh, saya pikir saya perlu membahas inputnya.

Tapi kita bisa bicarakan itu dalam konteks penerjemahan mesin.

Misalnya, ketika kamu melatih model, kamu memiliki kalimat sumber dan kalimat target.

Dan encoder membaca kalimat sumber dan menghasilkan representasi.

Dan decoder menggunakan representasi ini untuk menghasilkan kalimat target.

Dan memori dalam LSTM membantu decoder untuk mengingat informasi sumber.

Tapi kita juga bisa menambahkan attention, yang lebih fleksibel.

Tapi itu topik lain.

Untuk sekarang, tetap sederhana saja.

Baiklah, jadi saya pikir itu saja.

Mari kita lihat apakah ada yang lain.

Saya pikir kita sudah selesai.

OK, jadi mari kita akhiri.

Tapi sebelum kita akhiri, biarkan saya pastikan kita memiliki semuanya.

Jadi kita sudah membahas cell state, tiga gerbang, LSTM dalam.

Dan kita juga menyebutkan attention, tapi kita tidak mendalaminya.

Dan kita juga membahas aplikasinya pada penerjemahan mesin.

Jadi saya pikir itu saja.

OK, terima kasih.

Sampai jumpa.

Lihat AsliBalas0

Topik Trending
Lihat Lebih Banyak
#
TradFiCFDGoldMaster
2,21M Popularitas
#
SaylorHintsAtMoreBTC
8,52M Popularitas
#
IsraelStrikesIranBTCPlunges
66,43K Popularitas
#
PredictWorldCupShare20000U
517,81K Popularitas
#
SolanaEcosystemANSEMSurges
21,97M Popularitas

Disematkan

peta situs

Setelah menguji level tertinggi intraday di 1.0607 hari ini (29 Juni 2026), XRP saat ini berusaha stabil di sekitar level 1.0414. Meskipun harga—yang dibuka di 1.0476—merosot ke level support antara di 1.0348 di tengah tekanan jual, harga berbalik arah setelah terjadi aksi beli.

Topik Trending

TradFiCFDGoldMaster

SaylorHintsAtMoreBTC

IsraelStrikesIranBTCPlunges

PredictWorldCupShare20000U

SolanaEcosystemANSEMSurges

Disematkan